Interpretable Triplet Importance for Personalized Ranking

个性化商品排序一直是推荐系统性能的重要组成部分。作为代表性方法，成对排名通过构建（用户，正面商品，负面商品）三元组直接优化用户隐式反馈的排序。最近的一些研究发现，将所有三元组等同看待可能很难达到最佳效果。它们分别给负面商品、用户商品对或三元组分配不同的重要性分数。然而，几乎所有生成的重要性分数都是无根据且难以解释的，因此远离可信和透明。为了解决这些问题，我们提出了“三元组Shapley”——一种基于Shapley值的可解释三元组重要性评估方法。由于三元组数量巨大，我们将原始Shapley值计算转换为蒙特卡罗（MC）近似，其中也提供了近似无偏的保证。为了稳定MC近似，我们采用了基于控制协变量的方法。最后，我们利用三元组Shapley值来指导重要三元组的重新采样，以利于模型学习。我们在六个公共数据集上进行了广泛的实验，涉及经典的矩阵分解和基于图神经网络的推荐模型。实证结果和随后的分析表明，我们的模型始终优于现有最先进方法。

本论文旨在解决个性化推荐系统中的三元组排序问题，提出了一种基于Shapley值的可解释的三元组重要性度量方法。

论文提出了Triplet Shapley方法，通过Monte Carlo近似计算Shapley值来度量三元组的重要性，从而指导重要三元组的重采样以提高模型学习效果。

论文在六个公共数据集上进行了实验，包括经典的矩阵分解和图神经网络模型。实验结果表明，Triplet Shapley方法能够显著提高推荐系统的性能。

最近相关的研究包括：\n1. Learning to Rank using Gradient Descent (Chris Burges et al., 2005)\n2. A Dynamic Bayesian Network Model for Personalized Recommendation (Yi Zhang et al., 2005)\n3. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model (Yehuda Koren, 2008)